論文の概要: Guidelines for the Computational Testing of Machine Learning approaches
to Vehicle Routing Problems
- arxiv url: http://arxiv.org/abs/2109.13983v1
- Date: Tue, 28 Sep 2021 18:47:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 14:48:20.067899
- Title: Guidelines for the Computational Testing of Machine Learning approaches
to Vehicle Routing Problems
- Title（参考訳）: 車両経路問題に対する機械学習手法の計算テストガイドライン
- Authors: Luca Accorsi, Andrea Lodi, Daniele Vigo
- Abstract要約: 我々は,機械学習コミュニティが提案するVRPのアプローチの計算的研究において生じる課題を強調した。
OR論文で示されたものの特徴を持つ計算研究が実現されることを願っている。
- 参考スコア（独自算出の注目度）: 3.3946853660795884
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Despite the extensive research efforts and the remarkable results obtained on
Vehicle Routing Problems (VRP) by using algorithms proposed by the Machine
Learning community that are partially or entirely based on data-driven
analysis, most of these approaches are still seldom employed by the Operations
Research (OR) community. Among the possible causes, we believe, the different
approach to the computational evaluation of the proposed methods may play a
major role. With the current work, we want to highlight a number of challenges
(and possible ways to handle them) arising during the computational studies of
heuristic approaches to VRPs that, if appropriately addressed, may produce a
computational study having the characteristics of those presented in OR papers,
thus hopefully promoting the collaboration between the two communities.
- Abstract（参考訳）: 大規模な研究努力と、データ駆動分析を部分的にあるいは完全にベースとした機械学習コミュニティの提案したアルゴリズムを用いて、車両ルーティング問題(VRP)で得られた顕著な成果にもかかわらず、これらのアプローチの多くは、まだオペレーションリサーチ(OR)コミュニティによって採用されることはめったにない。
考えられる原因のうち,提案手法の計算評価における異なるアプローチが重要な役割を担っていると考えられる。
本稿では,VRPのヒューリスティックなアプローチの計算研究において,OR論文で提示されるものの特徴を持つ計算研究を適切に解決し,両コミュニティ間のコラボレーションを促進することを目的とした,いくつかの課題(および対処方法)を強調したい。
関連論文リスト
- RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。
提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。
このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
論文 参考訳（メタデータ） (2023-11-21T21:05:21Z) - Flexible Job Shop Scheduling via Dual Attention Network Based
Reinforcement Learning [73.19312285906891]
フレキシブルなジョブショップスケジューリング問題(FJSP)では、複数のマシンで操作を処理でき、操作とマシンの間の複雑な関係が生じる。
近年, 深層強化学習(DRL)を用いて, FJSP解決のための優先派遣規則(PDR)を学習している。
本稿では,Deep機能抽出のための自己注意モデルと,スケーラブルな意思決定のためのDRLの利点を生かした,エンドツーエンド学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-09T01:35:48Z) - Sample-Efficient, Exploration-Based Policy Optimisation for Routing
Problems [2.6782615615913348]
本稿では,エントロピーに基づく新しい強化学習手法を提案する。
さらに、我々は、期待したリターンを最大化する、政治以外の強化学習手法を設計する。
我々のモデルは様々な経路問題に一般化可能であることを示す。
論文 参考訳（メタデータ） (2022-05-31T09:51:48Z) - Learning to Solve Vehicle Routing Problems: A Survey [0.0]
本稿では,学習パラダイム,解構造,基礎モデル,アルゴリズムの分類について述べる。
本稿は,現代の交通システムにおける課題を克服するため,学習型ソリューションの導入に向けた今後の研究の方向性について概説する。
論文 参考訳（メタデータ） (2022-05-05T05:48:16Z) - Deep Learning Methods for Abstract Visual Reasoning: A Survey on Raven's
Progressive Matrices [0.0]
私たちは最も一般的なタスクタイプであるRavenのプログレッシブマトリックス(RPM)に注目し、RPMを解決するために適用される学習方法とディープニューラルネットワークのレビューを提供します。
本稿は,RPM研究の発見から実世界の問題がいかに恩恵を受けるかを示すことによって,論文を締めくくっている。
論文 参考訳（メタデータ） (2022-01-28T19:24:30Z) - An Overview and Experimental Study of Learning-based Optimization
Algorithms for Vehicle Routing Problem [49.04543375851723]
車両ルーティング問題(VRP)は典型的な離散最適化問題である。
多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。
本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
論文 参考訳（メタデータ） (2021-07-15T02:13:03Z) - Scaling up Search Engine Audits: Practical Insights for Algorithm
Auditing [68.8204255655161]
異なる地域に数百の仮想エージェントを配置した8つの検索エンジンの実験を行った。
複数のデータ収集にまたがる研究インフラの性能を実証する。
仮想エージェントは,アルゴリズムの性能を長時間にわたって監視するための,有望な場所である,と結論付けている。
論文 参考訳（メタデータ） (2021-06-10T15:49:58Z) - A review of approaches to modeling applied vehicle routing problems [77.34726150561087]
車両経路問題のモデル化手法について概説する。
モデリング手法を評価するためのいくつかの基準を定式化する。
我々はVRPドメインのモデリング分野における今後の研究の道について論じる。
論文 参考訳（メタデータ） (2021-05-23T14:50:14Z) - Analytics and Machine Learning in Vehicle Routing Research [8.524039202121974]
車両問題ルーティング(VRP)は、最も集中的に研究された最適化問題の1つです。
現実世界のVRPアプリケーションにまつわる複雑さや不確実性、ダイナミクスに対処するために、機械学習(ML)手法が使われている。
本稿では,VRP問題に対処する上で,解析手法とMLツールを組み合わせたハイブリッド手法の総合的なレビューを行う。
論文 参考訳（メタデータ） (2021-02-19T16:26:17Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。